La IA de Microsoft supera a médicos en casos difíciles: letra pequeña

Cada pocos meses, una empresa de IA anuncia que su sistema ha superado a los médicos en algo. Esta semana le tocó a Microsoft. La compañía afirma que su sistema de diagnóstico, MAI-DxO, resolvió casos médicos difíciles con mucha más frecuencia que los médicos en una simulación. Los resultados se publican en un estudio de la revista Science, y Mustafa Suleyman, director ejecutivo de Microsoft AI, los presenta como un paso hacia la "superinteligencia médica".

Es una afirmación llamativa, así que conviene mirar qué se probó realmente, qué dicen los números y dónde están las salvedades. También te cuento dónde creo que está la verdadera historia, que no es del todo la del titular.

Qué ha construido Microsoft

MAI-DxO significa Microsoft AI Diagnostic Orchestrator. No es un chatbot que da una única respuesta. Según TechCrunch, coordina a varios agentes de IA que actúan como un panel de médicos: interrogan al paciente, piden pruebas y debaten el diagnóstico.

El anuncio de la propia Microsoft lo describe como un panel de médicos virtuales. Cada uno propone diagnósticos, elige preguntas o pruebas útiles y cuestiona la hipótesis que va tomando forma. El intercambio se repite en varias rondas, y el sistema actualiza su valoración a medida que llegan datos. Además, sopesa el valor probable de cada prueba frente a su coste.

Este último punto es importante. Un médico real no puede pedir todas las pruebas del catálogo: cuentan el dinero, el tiempo y la incomodidad del paciente. Un sistema que acierta pidiéndolo todo no sirve de mucho, y por eso Microsoft incluyó el coste en la evaluación.

Un examen que se parece más a la medicina real

Junto al sistema, Microsoft presentó una prueba llamada Sequential Diagnosis Benchmark, o SDBench. Argumenta que los exámenes de licencia médica, la vara de medir habitual de la IA sanitaria, no se parecen al trabajo clínico. En un examen toda la información llega de golpe y se elige una respuesta. En la consulta, el cuadro se arma pieza a pieza.

SDBench funciona al revés. Según Microsoft, usa 304 casos complejos de la revista New England Journal of Medicine y un conjunto de presentaciones más típicas de urgencias, de una base de datos llamada MIMIC-IV-ED. Cada caso es interactivo: la IA o el médico empiezan con poca información y deciden qué preguntar o pedir a continuación. La prueba puntúa el diagnóstico final, la evidencia solicitada y el coste estimado de las pruebas.

Me gusta este diseño. Evaluar el camino además de la respuesta se acerca más a cómo juzgamos a los clínicos. Microsoft dice que publica en abierto el benchmark para casos seleccionados del NEJM, incluido el código de estimación de costes, para que otros investigadores reproduzcan la evaluación y la cuestionen. Es una buena costumbre y ojalá se mantenga.

Las cifras que dan titulares

Esto es lo que informa la empresa. En los casos complejos del NEJM, MAI-DxO alcanzó un 83 % de acierto diagnóstico. Los médicos lograron un 22 % sin material de consulta y un 36 % con él. Eso equivale a unas 3,7 y 2,3 veces más precisión. El "hasta cuatro veces" de algunos titulares sale de la primera comparación.

En los casos más habituales de urgencias, Microsoft habla de un 80 % de acierto frente al 47 % de los médicos. Dice también que el sistema llegó a sus respuestas con la mitad o incluso un tercio del coste, con menos pruebas y procedimientos. Una configuración optimizada para el coste logró un 81 % en los casos del NEJM con menos de la mitad del coste de otros sistemas comparables.

Son diferencias enormes. Pero una cifra solo significa algo junto a su grupo de comparación, y ahí TechCrunch añade una nota clave.

La salvedad sobre quiénes eran los médicos

TechCrunch señala que los médicos de la comparación eran de atención primaria y medicina interna general, trabajando de forma individual con material de consulta. Casos tan complejos suelen llevarlos especialistas o equipos de médicos, que no formaron parte de la comparación.

Así que la lectura justa no es "la IA vence a los médicos". Se parece más a "un sistema de IA coordinado superó a generalistas trabajando solos en casos que normalmente derivarían". Sigue siendo interesante, pero está lejos de sustituir a un oncólogo o a un equipo hospitalario que ha visto al paciente.

Los casos del NEJM son además notoriamente difíciles, por eso se publican. Sirven como prueba de esfuerzo, pero no son una muestra aleatoria de lo que entra en una consulta. El conjunto de urgencias se parece más a la realidad cotidiana, y enseguida veremos por qué sus resultados son distintos.

¿Cuánto mérito tiene el orquestador?

Lo más útil del reportaje de TechCrunch es su análisis de los propios datos del estudio. Su conclusión es que buena parte de la mejora parece venir de los modelos de IA subyacentes, y que el sistema de orquestación de Microsoft aporta ganancias adicionales.

Microsoft probó MAI-DxO con modelos de varias empresas, entre ellas OpenAI, Google, Anthropic, Meta y DeepSeek. Los mejores resultados llegaron con GPT-5 y GPT-5.5 de OpenAI. Estas son las cifras que da TechCrunch:

• GPT-5 por sí solo logró un 78,9 % en casos complejos, a unos 8.400 dólares por caso, con un prompt corto y básico. Con MAI-DxO, el coste bajó unos 3.000 dólares y la precisión subió solo unos cuatro puntos.
• GPT-5.5, un modelo más reciente lanzado en abril de 2026, pasó del 72 % a casi el 87 % en casos complejos con MAI-DxO, a un coste algo menor.
• Gemini 2.5 Flash obtuvo un 46,4 % solo y casi un 69 % con el orquestador. Es un salto grande, aunque la brecha entre modelos débiles y fuertes siguió siendo mayor que el impulso de MAI-DxO.
• Casos de urgencias: con GPT-5 hubo poca mejora en precisión o coste. Con GPT-5.5, ambas versiones rondaron el 85 % a un coste similar.

Los investigadores de Microsoft dijeron a TechCrunch que las ganancias de precisión se reducen de forma natural al acercarse al máximo teórico. Un portavoz añadió que la orquestación ayuda a optimizar a la vez precisión y coste. La propia Microsoft afirma que las ganancias se mantuvieron, e incluso mejoraron, al repetir la evaluación con modelos más nuevos como GPT-5.5, lo que interpreta como señal de que el enfoque no depende de una generación de modelos.

Ambas lecturas pueden ser ciertas. El orquestador parece ayudar más donde los modelos son más débiles y los casos más difíciles, y puede abaratar cada ejecución. Pero el factor que más pesa en la precisión parece ser la calidad del modelo base. Dicho de otro modo, el "panel de médicos" es un envoltorio ingenioso alrededor de un hecho más básico: los modelos no dejan de mejorar.

De la prueba al pie de cama

Lo que me parece más prometedor no es el benchmark, sino el plan de probar el sistema en hospitales reales. Microsoft dice que tiene una nueva alianza con el Beth Israel Deaconess Medical Center de Boston. Según TechCrunch, los pacientes recibirán la atención estándar, con triaje, tiempo con el especialista, tratamientos, pruebas y la decisión de alta. Quienes den su consentimiento interactuarán además con MAI-DxO, y Microsoft y sus socios compararán las recomendaciones del sistema con las de los médicos.

Dominic King, vicepresidente de Salud en Microsoft AI, dijo que espera que sea el mayor estudio de su tipo, con urgencias y atención inmediata. TechCrunch recuerda que Google publicó este mes en The Lancet, junto a Beth Israel, un estudio clínico de su IA diagnóstica AMIE en visitas reales de atención urgente, con médicos supervisando en tiempo real. OpenAI y Google han hecho afirmaciones parecidas sobre igualar o superar a los médicos, así que la carrera está claramente en marcha.

Aquí se decidirá la evidencia de verdad. Las simulaciones muestran lo que un sistema puede hacer con información ordenada. Los pacientes reales son desordenados, están nerviosos y a veces no saben explicar qué les pasa. Si quieres más contexto sobre cómo el aprendizaje automático ha ido entrando en el diagnóstico, lo contamos en nuestro artículo sobre aprendizaje automático y diagnóstico médico temprano.

Lo que Suleyman promete

Suleyman, cofundador de DeepMind y director de IA de Microsoft desde 2024, no esconde su ambición. Dijo a TechCrunch que Microsoft trabaja con la Mayo Clinic en un modelo fundacional para la salud, que se lanzaría el año que viene. También afirmó que espera que los modelos sanitarios mejoren "un orden de magnitud" en 24 a 36 meses, impulsados por un círculo virtuoso de uso real, como ocurrió con la programación y el chat.

Dijo creer que 2027 traerá un avance en historiales médicos, con predicciones precisas sobre cómo puede evolucionar un expediente. Microsoft ya vende herramientas de dictado y radiología a los clínicos, y Suleyman señaló que quiere los mejores productos de apoyo a la decisión clínica en pocos años.

Son pronósticos y ambiciones empresariales, no resultados. Los trato como cualquier hoja de ruta de una empresa con un producto que vender: con interés y una ceja levantada. Además, ese círculo virtuoso puede girar en mal sentido si los fallos que detecta tienen que ver con la seguridad del paciente.

Lo que me llevo

Mi opinión sincera es que es un paso relevante, pero más modesto de lo que sugiere la palabra "superinteligencia". El diseño de la evaluación es cuidadoso, el coste forma parte de la medición, el benchmark es en parte abierto y Microsoft avanza hacia un estudio prospectivo con pacientes reales, que es lo correcto.

A la vez, el grupo de comparación eran generalistas ante casos pensados para especialistas, y los propios datos del estudio sugieren que el modelo base carga con gran parte del peso. Los resultados de urgencias, el entorno más parecido a la medicina diaria, muestran las menores ganancias de orquestación con los modelos más potentes. Y conviene recordar que la IA ha deslumbrado antes en pruebas controladas y luego la realidad ha bajado las expectativas. Vimos un patrón parecido de entusiasmo y preguntas difíciles en nuestro artículo sobre la IA y las matemáticas.

El mejor escenario no es una IA que sustituya a tu médico, sino una segunda opinión siempre disponible, que elige con más criterio de coste y ayuda a cerrar la brecha entre la demanda de conocimiento médico y su oferta. Esa brecha es real, y King la señaló como el mayor reto de la atención sanitaria.

Te dejo una pregunta: si mañana una IA te ofreciera una segunda opinión sobre tu diagnóstico, ¿qué querrías saber antes de fiarte? ¿Quién la probó, con qué casos y frente a qué médicos? Esas preguntas serán cada vez más importantes a medida que estos sistemas lleguen a las consultas.